NHS坐拥丰富的临床数据宝库，但其中大部分价值仍被电子病历软件或非结构化形式所掩盖——埋藏在临床笔记、信件和自由文本字段中。我们目前在全国范围内可用的数据质量低下，且对患者的描述浅显，不适合用于AI或详细研究。尽管大多数医疗过程都已实现电子记录，但创建临床软件的供应商通常不允许分析师和研究人员访问生成的数据。为了提供访问权限，供应商往往会收取高昂的费用。此外，超过80%的信息是以自由文本形式记录的。虽然一些公司已经展示了从临床笔记中手动提取洞见的价值，但这种方法无法在像NHS这样庞大的卫生系统中大规模应用。好消息是，我们现在有了通过语言AI自动化这一过程的技术，这有可能解锁NHS数据的前所未有的价值。这不仅仅是提高运营效率的问题，而是从根本上改善患者护理和研究能力的问题。
通过改善对更深入的医疗数据的访问，并大规模地充分利用语言AI，我们可以加速患者参与临床试验，增强生命科学研究所需要的真实世界证据生成，或许最重要的是，解决我们医疗数据中的系统性偏差。
医疗数据中的隐藏偏见
利用语言AI的一个最有力的理由在于其解决医疗不平等的潜力。考虑一个典型的全科医生咨询：当看到来自贫困地区的多病患者，可能英语水平有限时，时间限制可能导致只有最紧迫的情况得到正确编码。相比之下，简单的咨询则有时间进行全面编码。结果如何？需求复杂的患者可能会有更稀疏的编码记录，从而产生危险的数据偏见，这种偏见可能会加剧医疗不平等。这种偏见不仅是一个文档问题，它对医疗AI开发有着深远的影响。当我们仅基于结构化数据训练AI模型时，我们可能会将这些偏见嵌入到算法中。通过将非结构化数据纳入语言AI，我们可以建立更完整的患者档案，开发更公平的AI解决方案。
我们能从其他国家学到什么
放眼全球，我们可以从其他国家和行业中学到宝贵的教训。新加坡、瑞士和北欧国家在医疗数据管理方面取得了显著成功，这主要归功于他们对系统协调和标准化EHR/EPR实施的关注。但也许最重要的教训来自非医疗行业：重点应放在基础设施和数据管道上，而不是算法开发。医疗行业陷入了我称之为“算法谬误”的困境——在干净、精心策划的数据集上开发无数算法，但在现实世界条件下表现不佳。相反，成功的行业会构建稳健的数据管道和基础设施，定期重新训练模型以适应不断变化的现实世界条件。这在医疗保健领域尤为重要，因为患者状况和护理路径本质上是动态的。
价值主张：必要但令人不安的对话
我们需要坦诚、公开地讨论NHS数据的价值。目前，医院数据正被出售给私营公司，这些公司对其进行清理、提取价值并进一步转售，而NHS从中获得的回报却微乎其微。这种碎片化的做法不仅未能最大化我们的数据潜力，还引发了严重的数据治理和患者信任问题。价值链需要回归NHS。虽然这可能是一场令人不安的对话，但对于确保从NHS数据中产生的任何货币价值直接惠及患者护理和系统改进至关重要。通过控制和妥善管理我们的数据资产，持续进行患者参与并最大限度地提高透明度，我们可以确保数据的伦理使用和财务可持续性。
基础设施优先于创新
前进的道路要求我们在方法上进行根本性的转变。我们不仅需要关注开发新算法，还需要投资于稳健的数据基础设施和管道。这意味着要建立能够处理现实世界数据复杂性、支持定期模型重新训练并确保系统内数据质量一致的系统。这也意味着改变采购实践和立法，使NHS（而非系统供应商）始终控制其数据。这种基础设施优先的方法将使我们实现几个关键目标。通过构建稳健的数据管道，我们可以从非结构化数据中提取更深层次的数据和更有意义的洞见，将数百万份临床笔记转化为可操作的情报。这样的基础设施还将使我们能够维护最新、具有代表性的AI模型，这些模型随着患者群体和临床实践的发展而演变。它将确保我们的医疗数据中公平的代表性，解决当前可能导致健康不平等的偏见。最重要的是，这种方法将从NHS数据资产中创造可持续的价值，确保数据驱动医疗的好处能够回馈到改善患者护理和系统效率中。
在AI中心，我们正在积极应对架构挑战，开发处理非结构化数据的可扩展解决方案，并构建实现可持续AI部署所需的稳健数据管道。我们在伦敦安全数据环境中的重点不是创建更多算法，而是建立基础基础设施，使现有AI解决方案能够在现实世界的临床环境中有效运行。
前方的道路
成功不仅需要技术解决方案，还需要对挑战的认识、适当的资助和战略重点。同样重要的是确保公共接受度和数据使用的伦理框架。随着我们向前推进，我们必须在目标上保持透明，并诚实地面对挑战和机遇。NHS有一个独特的机会，在伦理和有效的医疗数据利用方面领先，但这需要谨慎应对技术、文化和治理方面的挑战。
(全文结束)
